TensorFlow သည် စက်သင်ယူမှုပုံစံများကို ဖန်တီးရန် စွယ်စုံသုံးကိရိယာတစ်ခုဖြစ်သည်။
ဤပို့စ်တွင်၊ Open-source machine learning framework တစ်ခုဖြစ်သော TensorFlow ဖြင့် မျက်နှာမှတ်မိခြင်းစနစ်ကို မည်သို့ဖန်တီးရမည်ကို လေ့လာပါမည်။ ဒေတာစုဆောင်းခြင်းနှင့် ပြင်ဆင်ခြင်းမှ မော်ဒယ်တစ်ခုကို လေ့ကျင့်ခြင်းနှင့် အကဲဖြတ်ခြင်းအထိ အောင်မြင်သော မျက်နှာမှတ်မိခြင်းစနစ်တစ်ခု ဖန်တီးရာတွင် မရှိမဖြစ်လိုအပ်သော လုပ်ငန်းစဉ်များကို ကျော်သွားပါမည်။
ကုဒ်အတိုအထွာများနှင့် လက်တွေ့ကမ္ဘာနမူနာများ၏အကူအညီဖြင့် မျက်နှာမှတ်မိမှုကို ဖန်တီးရန် TensorFlow နှင့် ပထမဆုံးအတွေ့အကြုံကို သင်ရရှိမည်ဖြစ်သည်။ ကျွန်ုပ်တို့ရှေ့ဆက်ရာတွင် သင်နှင့်အတူလိုက်ပါရန် ကြိုဆိုပါသည်။
TensorFlow မိတ်ဆက်
TensorFlow သည် အခမဲ့ဖြစ်ပြီး open-source စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ၎င်းသည် ဒေတာစီးဆင်းမှုနှင့် ကွဲပြားနိုင်သော ပရိုဂရမ်များကို အသုံးပြုသည့် သင်္ကေတသင်္ချာကိရိယာသေတ္တာတစ်ခုဖြစ်သည်။ နက်နဲမှု အပါအဝင် အလုပ်များစွာကို ၎င်းနှင့်အတူ သင်ကိုင်တွယ်နိုင်သည်။ အာရုံကြောကွန်ယက်ကို လေ့ကျင့်ရေး။
TensorFlow သည် အားကောင်းပြီး လိုက်လျောညီထွေဖြစ်စေသည်။ ထိုနည်းတူစွာ၊ ၎င်းသည် ဖွံ့ဖြိုးတိုးတက်ရန် ကိရိယာကောင်းတစ်ခုဖြစ်သည်။ စက်သင်ယူမှုပုံစံများကို အသုံးချခြင်း။. အလွှာများစွာနှင့် tensor လုပ်ဆောင်ချက်များဖြင့် ရှုပ်ထွေးသော မော်ဒယ်များကို တည်ဆောက်နိုင်သည်။ ထို့အပြင်၊ စာကြည့်တိုက်ရှိ ကြိုတင်တည်ဆောက်ထားသော မော်ဒယ်များကို သီးခြားလိုအပ်ချက်များအတွက် ကောင်းမွန်စွာ ချိန်ညှိနိုင်သည်။
ထို့အပြင် TensorFlow တွင် ကြီးမားပြီး ကျယ်ပြန့်သော သုံးစွဲသူအသိုင်းအဝိုင်းတစ်ခုရှိသည်။ ထို့ကြောင့်၊ ပလပ်ဖောင်းတွင်အသစ်သောလူတစ်ဦးချင်းစီအတွက် သတင်းအချက်အလက်နှင့် အကူအညီများစွာရှိသည်။
TensorFlow သည် လူကြိုက်များသည်။ စက်သင်ယူမှု တစ်စိတ်တစ်ပိုင်းအားဖြင့် ၎င်းသည် အဆုံးမှ အဆုံး အလုပ်အသွားအလာကို ပံ့ပိုးပေးသောကြောင့် ဖြစ်သည်။ ဒါကြောင့် မော်ဒယ်တွေကို အလွယ်တကူ တည်ဆောက်နိုင်၊ လေ့ကျင့်ပြီး အသုံးချနိုင်ပါတယ်။ ၎င်းသည် တိကျသောလိုအပ်ချက်များနှင့်ကိုက်ညီစေရန် မော်ဒယ်များကို ပိုမိုကောင်းမွန်အောင် ချဲ့ထွင်ရန်အတွက် ကိရိယာများနှင့် ဗျူဟာများကို ပံ့ပိုးပေးပါသည်။ ၎င်းသည် ဒေတာကြိုတင်လုပ်ဆောင်ခြင်းမှ မော်ဒယ်ဖြန့်ကျက်ခြင်းအထိ ကွဲပြားသည်။
Face Recognition ဆိုတာ ဘာလဲ။
Face recognition ဆိုတာကတော့ တစ်ခုပါပဲ။ ကွန်ပျူတာရူပါရုံကို လူတစ်ဦး၏မျက်နှာကို အခြေခံ၍ ခွဲခြားသတ်မှတ်ပေးသည့် အလုပ်။ ဤနည်းပညာသည် မျက်လုံး၊ နှာခေါင်း၊ ပါးစပ်တို့၏ ပုံသဏ္ဍာန်နှင့် အသွင်အပြင်ကဲ့သို့သော မျက်နှာအင်္ဂါရပ်များကို အသိအမှတ်ပြုသည်။
၎င်းသည် ၎င်းတို့အား ကိုက်ညီမှုတစ်ခုအား ဖော်ထုတ်ရန် သိထားသော မျက်နှာများ၏ ဒေတာဘေ့စ်တစ်ခုနှင့် နှိုင်းယှဉ်ပါသည်။ မျက်နှာမှတ်မိခြင်းတွင် လုံခြုံရေးစနစ်များ၊ ဓာတ်ပုံအဖွဲ့အစည်းနှင့် ဇီဝမက်ထရစ်အထောက်အထားစိစစ်ခြင်းအပါအဝင် အသုံးပြုမှုများစွာရှိသည်။
စက်သင်ယူမှုတွင် အောင်မြင်မှုများကြောင့် မကြာသေးမီနှစ်များအတွင်း Face recognition algorithms ၏ တိကျမှုသည် သိသိသာသာ တိုးလာခဲ့သည်။
လိုအပ်သော စာကြည့်တိုက်များ တင်သွင်းခြင်း။
မည်သည့်အရာမှ မစတင်မီ ကျွန်ုပ်တို့၏မော်ဒယ်အတွက် လိုအပ်သော စာကြည့်တိုက်များကို တင်သွင်းရန် လိုအပ်ပါသည်။ Tensorflow (tf) ကို မော်ဒယ်ဖန်တီးရန်နှင့် လေ့ကျင့်ရန်အတွက် အသုံးပြုသည်။ <(p>
"numpy" သည် သင်္ချာတွက်ချက်မှုနှင့် ဒေတာကို လုပ်ဆောင်သည်။
“matplotlib.pyplot” ကို plt အဖြစ် ထည့်သွင်းပြီး အသုံးပြုသည်။ ဒေတာဇယားနှင့် စိတ်ကူးပုံဖော်မှုများ.
နောက်ဆုံးတွင်၊ "fetch lfw people" ကို sklearn မှ တင်သွင်းသည်။ datasets နှင့် facial recognition dataset ကိုတင်ရန်အသုံးပြုသည်။ ဤလုပ်ဆောင်ချက်သည် scikit-learn toolkit ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။ ဤလုပ်ဆောင်ချက်ကြောင့် ကျွန်ုပ်တို့သည် အခြားဒေတာအတွဲကို အပ်လုဒ်လုပ်ရန် မလိုအပ်ပါ။ ၎င်းကို sckit-learn တွင် တည်ဆောက်ထားပြီးဖြစ်သည်။
နှင့်၊ ၎င်းသည် သင့်အား ကျယ်ပြန့်စွာ ဝင်ရောက်ခွင့် ပေးသည်။ စက်သင်ယူမှုအတွက် ဒေတာအတွဲများ လျှောက်လွှာများ။ ဤအခြေအနေတွင်၊ ကျွန်ုပ်တို့သည် "Labeled Faces in the Wild" (LFW) ဒေတာအတွဲကို ပြန်လည်ရယူရန် lfw people နည်းလမ်းကို အသုံးပြုပါသည်။ ၎င်းတွင် လူများ၏မျက်နှာဓာတ်ပုံများအပြင် ၎င်းတို့နှင့်အတူပါရှိသည့် အညွှန်းများပါရှိသည်။
ဤစာကြည့်တိုက်များသည် ကျွန်ုပ်တို့၏မျက်နှာမှတ်သားမှုပုံစံကို အကောင်အထည်ဖော်ခြင်းနှင့် အကဲဖြတ်ခြင်းတွင် အရေးကြီးပါသည်။
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt from sklearn.datasets
import fetch_lfw_people
မျက်နှာအသိအမှတ်ပြု ဒေတာအစုံကို ကြိုတင်လုပ်ဆောင်ခြင်းနှင့် တင်ခြင်း။
ဤအပိုင်းတွင်၊ ကျွန်ုပ်တို့သည် မျက်နှာမှတ်မိခြင်းဒေတာကို ကြိုတင်လုပ်ဆောင်ရန်အတွက် "fetch lfw people" လုပ်ဆောင်ချက်ကို အသုံးပြုပါသည်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် “min faces per person=60” ရွေးချယ်မှုဖြင့် lfw လူများကို စုဆောင်းပါသည်။ ၎င်းသည် ကျွန်ုပ်တို့သည် အနည်းဆုံး ဓာတ်ပုံ 60 ရှိသည့် ဒေတာအတွဲတွင် လူများကိုသာ ထည့်သွင်းလိုကြောင်း ဖော်ပြသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့၏မော်ဒယ်တွင် သင်ယူရန် လုံလောက်သောဒေတာရှိကြောင်း သေချာပါသည်။ ထို့အပြင်၊ ၎င်းသည် အလွန်အကျွံဝတ်ဆင်ခြင်း၏ အန္တရာယ်ကို လျှော့ချပေးသည်။
ထို့နောက် faces object မှ ဒေတာနှင့် အညွှန်းများကို ထုတ်ယူပြီး variables X နှင့် y သို့ သတ်မှတ်ပေးပါသည်။ X ဟိုလ်
ကျွန်ုပ်တို့သည် ယခုအခါတွင် ကြိုတင်လုပ်ဆောင်ထားသော ဒေတာနှင့် အညွှန်းများကို အသုံးပြု၍ ကျွန်ုပ်တို့၏ မျက်နှာမှတ်သားမှုပုံစံကို လေ့ကျင့်ရန် အဆင်သင့်ဖြစ်နေပါပြီ။
faces = fetch_lfw_people(min_faces_per_person=60)
X = faces.data
y = faces.target
target_names = faces.target_names
ပိုင်းခြားလေ့ကျင့်မှုနှင့် စမ်းသပ်မှုအစုံများ
ဤအဆင့်တွင်၊ ကျွန်ုပ်တို့သည် sklearn.model ရွေးချယ်မှုမှ ရထားစမ်းသပ်မှုခွဲနည်းကို အသုံးပြု၍ ကျွန်ုပ်တို့၏မျက်နှာမှတ်မိမှုဒေတာအတွဲကို နှစ်ပိုင်းခွဲထားသည်။ ဤခွဲထွက်ခြင်း၏ရည်ရွယ်ချက်မှာ လေ့ကျင့်ပြီးနောက် ကျွန်ုပ်တို့၏မော်ဒယ်၏စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန်ဖြစ်သည်။
ရထားစမ်းသပ်မှုခွဲထုတ်လုပ်ဆောင်ချက်သည် ဒေတာ X နှင့် အညွှန်းများ y အဖြစ် လက်ခံသည်။ ပြီးတော့ အဲဒါတွေကို လေ့ကျင့်ရေးနဲ့ စမ်းသပ်မှုအစုံဆိုပြီး ပိုင်းခြားထားတယ်။ ဤဥပမာတွင် ကျွန်ုပ်တို့သည် test size=0.2 ကို ရွေးသည်။ ဆိုလိုသည်မှာ အချက်အလက်များ၏ 20% ကို စမ်းသပ်မှုအဖြစ် အသုံးချမည်ဖြစ်ပြီး 80% ကို လေ့ကျင့်မှုအဖြစ် အသုံးချမည်ဖြစ်သည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် ကုဒ်လုပ်ဆောင်သည့်အချိန်တိုင်း ဒေတာကို တသမတ်တည်း ပိုင်းခြားကြောင်း သေချာစေရန် ကျပန်းပြည်နယ်=42 ကို အသုံးပြုပါသည်။
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
Data ပြင်ဆင်ခြင်း။
ဒေတာကို ကြိုတင်လုပ်ဆောင်ခြင်း၏ ရည်ရွယ်ချက်မှာ မော်ဒယ်သို့ ဝင်ရောက်ရန်အတွက် ပြင်ဆင်ရန်ဖြစ်သည်။ အချက်အလက်တစ်ခုစီကို 255 ဖြင့် ပိုင်းခြားခြင်းဖြင့် ဤကုဒ်တွင် ဒေတာကို ကြိုတင်လုပ်ဆောင်ပါသည်။
ယင်းကို အောင်မြင်ရန် ကျွန်ုပ်တို့ကို အဘယ်အရာက လှုံ့ဆော်ပေးခဲ့သနည်း။ Normalization သည် အင်္ဂါရပ်အားလုံး တူညီကြောင်းအာမခံရန်အတွက် စက်သင်ယူမှုတွင် အသုံးပြုသည့် ကြိုတင်လုပ်ဆောင်မှုလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ ဤအခြေအနေတွင်၊ 255 စကေးဖြင့် ပိုင်းခြားထားသော ပုံမှန်ရုပ်ပုံဒေတာကို ပုံမှန်ပြုလုပ်သည့် အဆင့်ဖြစ်သည့် 0 မှ 1 အကွာအဝေးသို့ ခွဲပေးသည်။
၎င်းသည် မော်ဒယ်၏ ပေါင်းစည်းမှုကို မြန်ဆန်စေပြီး ၎င်း၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်သည်။
X_train = X_train / 255.0
X_test = X_test / 255.0
မုဒ်ကို ဖန်တီးခြင်း။
ပုံတွင်ပေါ်လာသော မျက်နှာကို ခွဲခြားသတ်မှတ်လိုပါသည်။ ဤကိစ္စတွင်၊ ကျွန်ုပ်တို့သည် သိပ်သည်းသောကွန်ရက်ဟု အများအားဖြင့် သိကြသည့် အပြည့်အဝချိတ်ဆက်ထားသောကွန်ရက်ကို အသုံးပြုပါမည်။ ၎င်းသည် မော်ဒယ်ကို ဖန်တီးရန် အသုံးပြုခဲ့သည့် အာရုံကြော ကွန်ရက်အတု ဖြစ်သည်။
လူ့ဦးနှောက် လည်ပတ်ပုံနှင့် စနစ်တကျဖွဲ့စည်းပုံပြီးနောက် အာရုံကြောအတု ကွန်ရက်များကို ပုံစံထုတ်ထားသည်။ ၎င်းတို့ကို ချိတ်ဆက်ထားသော သတင်းအချက်အလတ်များ သို့မဟုတ် နျူရွန်များဖြင့် ဖွဲ့စည်းထားသည်။ သိပ်သည်းသောကွန်ရက်ရှိ အလွှာတစ်ခုရှိ နျူရွန်တစ်ခုစီသည် ၎င်းအပေါ်ရှိ အလွှာရှိ နျူရွန်တိုင်းနှင့် ချိတ်ဆက်ထားသည်။
မော်ဒယ်တွင် ဤကုဒ်တွင် အလွှာလေးခုရှိသည်။ နောက်အလွှာသို့ ဖြည့်သွင်းရန်၊ ထည့်သွင်းမှုဒေတာကို ပထမအလွှာတွင် တစ်ဖက်မြင် ခင်းကျင်းတစ်ခုအဖြစ် ပြားသွားစေသည်။ အောက်ဖော်ပြပါအလွှာနှစ်ခုရှိ အာရုံကြော ၁၂၈ နှင့် ၆၄ တို့သည် လုံးဝချိတ်ဆက်ထားသည်။
ReLU activation လုပ်ဆောင်ချက်သည် ဤအလွှာများမှ အသုံးပြုသော ထူးခြားသော အသက်သွင်းလုပ်ဆောင်ချက်တစ်ခုဖြစ်သည်။ ၎င်းဖြင့်၊ သွင်းအားစုနှင့် အထွက်များကြားတွင် လိုင်းမညီသော ဆက်နွယ်မှုများကို လေ့လာရန် မော်ဒယ်ကို ကျွန်ုပ်တို့ ရရှိနိုင်ပါသည်။ ခန့်မှန်းချက်များကိုပြုလုပ်ရန် နောက်ဆုံးအလွှာသည် softmax activation function ကိုအသုံးပြုထားသည်။ ထို့အပြင်၊ ၎င်းသည် ဖြစ်နိုင်ချေရှိသော အတန်းများရှိသကဲ့သို့ နျူရွန်များစွာဖြင့် အပြည့်အဝချိတ်ဆက်ထားသော အလွှာတစ်ခုဖြစ်သည်။
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(62 * 47,)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(len(target_names), activation='softmax')
])
Model ကို ပြုစုခြင်း။
မော်ဒယ်ကို "compile" လုပ်ဆောင်ချက်ကို အသုံးပြု၍ စုစည်းထားသည်။ လေ့ကျင့်မှုအတွက် စံနမူနာယူရန် လိုအပ်သည်။ ထို့ကြောင့်၊ မော်ဒယ်ကို အကဲဖြတ်ရန် အသုံးပြုမည့် optimizer၊ ဆုံးရှုံးမှု လုပ်ဆောင်ချက်နှင့် မက်ထရစ်များကို ကျွန်ုပ်တို့ သတ်မှတ်ပါမည်။
သင်တန်းကာလအတွင်း၊ optimizer သည် model ၏ parameters များကိုပြောင်းလဲရန်တာဝန်ရှိသည်။ "adam" optimizer သည် ရေပန်းစားသော နက်ရှိုင်းသော လေ့လာသင်ယူမှု ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်သည့် နည်းပညာတစ်ခုဖြစ်သည်။
ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးဒေတာတွင် မော်ဒယ်၏စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန် ဆုံးရှုံးမှုလုပ်ဆောင်ချက်ကို အသုံးပြုပါသည်။ ပစ်မှတ်အညွှန်းများသည် ပုံ၏အတန်းအစားကို ရောင်ပြန်ဟပ်နေသည့် ကိန်းပြည့်များဖြစ်သောကြောင့်၊
နောက်ဆုံးတွင်၊ ဤအခြေအနေတွင်၊ "တိကျမှု" ကိုအကဲဖြတ်ရန် မက်ထရစ်များကို ကျွန်ုပ်တို့သတ်မှတ်ပါသည်။
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
မော်ဒယ်သင်တန်း
မော်ဒယ်ကိုလေ့ကျင့်ရန် "fit" လုပ်ဆောင်ချက်ကိုအသုံးပြုပါမည်။
ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးဒေတာ (X ရထား) နှင့် ဆက်စပ်တံဆိပ်များ (y ရထား) တို့ကို ပေးဆောင်သွားမည်ဖြစ်ပြီး 10 အဖြစ် လည်ပတ်ရန် အပိုင်း (အကြိမ်ရေ) ကို သတ်မှတ်ပေးပါမည်။ လေ့ကျင့်ရေးလုပ်ထုံးလုပ်နည်းသည် ဆုံးရှုံးမှုကို လျှော့ချရန် မော်ဒယ်အလေးများကို မွမ်းမံပြင်ဆင်သည် (ကွာခြားမှုအကြား၊ ခန့်မှန်းထားသော တံဆိပ်များနှင့် အစစ်အမှန်များ) နှင့် လေ့ကျင့်ရေးအချက်အလက်များ၏ တိကျမှုကို မြှင့်တင်ပါ။
model.fit(X_train, y_train, epochs=10)
မော်ဒယ်အကဲဖြတ်ခြင်း။
ယခု ကျွန်ုပ်တို့သည် စမ်းသပ်မှုဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်ကို အကဲဖြတ်ရန် လိုအပ်ပါသည်။ ကျွန်ုပ်တို့သည် စမ်းသပ်မှု ဆုံးရှုံးမှုကို အသုံးပြုပြီး စမ်းသပ်မှု တိကျမှုကို မော်ဒယ်၏ စွမ်းဆောင်ရည် အကဲဖြတ်ရန် အသုံးပြုပါသည်။ စမ်းသပ်ဒေတာ X စမ်းသပ်မှုနှင့် စမ်းသပ်မှု အညွှန်းများ y စမ်းသပ်မှုတွင်၊ ကျွန်ုပ်တို့သည် "model.evaluate function" ကို ခေါ်ရန် လိုအပ်ပါသည်။
လုပ်ဆောင်ချက်သည် စစ်ဆေးမှု တိကျမှုနှင့် စမ်းသပ်မှု ဆုံးရှုံးမှုကို ထုတ်ပေးသည်။ စမ်းသပ်မှု ဆုံးရှုံးမှုနှင့် စမ်းသပ်မှု တိကျမှု ကွဲပြားမှုများတွင် ဤတန်ဖိုးများ အသီးသီး ပါဝင်ပါသည်။ နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် စမ်းသပ်မှုတိကျမှုကိုထုတ်ပေးရန် "ပုံနှိပ်ခြင်း" လုပ်ဆောင်ချက်ကို အသုံးပြုပါသည်။
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print("Test accuracy:", test_accuracy)
အတန်းများကိုခန့်မှန်းခြင်းနှင့် Predicted အတန်းများရယူခြင်း။
လေ့ကျင့်ရေးပုံစံနှင့် စမ်းသပ်မှုဒေတာကို အသုံးပြု၍ algorithm သည် ခန့်မှန်းချက်များကို ပြုလုပ်ပေးသည်။ စမ်းသပ်မှုဒေတာကို “model.predict” နည်းလမ်းသို့ ပေးပို့သောအခါ၊ ၎င်းသည် စမ်းသပ်မှုအစုအတွင်းရှိ ပုံတစ်ပုံချင်းစီအတွက် ခန့်မှန်းချက်များကို ခင်းကျင်းပြသသည်။
ထို့နောက် ပုံတစ်ပုံချင်းစီအတွက် ပစ်မှတ်အတန်းအမည်အား "np.argmax" လုပ်ဆောင်ချက်ကို အသုံးပြု၍ "ပစ်မှတ်အမည်များ" စာရင်းမှ အကြီးမြတ်ဆုံး ခန့်မှန်းချက်ဖြစ်နိုင်ခြေနှင့် အညွှန်းကို ခွဲခြားသတ်မှတ်ရန် ထုတ်ယူသည်။ ထို့နောက် ပုံတစ်ပုံချင်းစီအတွက် ခန့်မှန်းထားသော အတန်းကို ဆုံးဖြတ်ရန် ဤအညွှန်းကို အသုံးပြုသည်။
စာရင်းနားလည်မှုကို အသုံးပြု၍ "predictions" array မှ ခန့်မှန်းချက်အားလုံးကို ဤနည်းလမ်းအတိုင်း လုပ်ဆောင်ပြီး "predicted classes" list ကို ဖြစ်ပေါ်စေပါသည်။
predictions = model.predict(X_test)
predicted_classes = [target_names[np.argmax(prediction)] for prediction in predictions]
ခန့်မှန်းချက်များကို မြင်ယောင်ခြင်း။
ကျွန်တော်တို့ရဲ့ မော်ဒယ်ပုံစံကို အခုမြင်တွေ့နေရပါပြီ။
မော်ဒယ် မည်မျှ ကောင်းမွန်ကြောင်း အကဲဖြတ်ရန်၊ ပထမဆုံး ဓာတ်ပုံ ၁၀ ပုံနှင့် ၎င်းတို့၏ ခန့်မှန်းချက်များကို ပြသပါမည်။ ၎င်းသည် ဓာတ်ပုံများကို မီးခိုးရောင်စကေးဖြင့် ပုံဖော်မည်ဖြစ်ပြီး matplotlib.pyplot module ကို အသုံးပြု၍ ပုံ၏ အမှန်တကယ် အတန်းနှင့် မော်ဒယ်မှ ခန့်မှန်းထားသော အတန်းကို ပြသမည်ဖြစ်သည်။
ပထမဆုံး စမ်းသပ်မှု အစုံလိုက် ဓာတ်ပုံ ၁၀ ပုံစီကို ဆွဲရန် "imshow" လုပ်ဆောင်ချက်ကို for loop မှ အသုံးပြုပါသည်။ ပစ်မှတ်အမည်များ[y test[i]] နှင့် ခန့်မှန်းထားသော အတန်းများ[i] ကို ပုံ၏ အမှန်တကယ် အတန်းနှင့် ခန့်မှန်းထားသော အတန်း အသီးသီးကို ဆုံးဖြတ်ရန် အသုံးပြုပါသည်။ ထို့နောက် ဇာတ်ကွက်တစ်ခုစီ၏ ခေါင်းစဉ်များကို ဤအမျိုးအစားများအလိုက် ဖော်ပြသည်။
နောက်ဆုံးတွင် plt.show() method ကို အသုံးပြု၍ ကွက်ကွက်ကို ပြသသည်။
for i in range(10):
plt.imshow(X_test[i].reshape(62, 47), cmap='gray')
plt.title(f"True: {target_names[y_test[i]]}, Predicted:{predicted_classes[i]}")
plt.show()
အပြီးသတ်သည်
TensorFlow သည် စက်သင်ယူမှုပုံစံများကို ဖန်တီးရန်အတွက် ပြီးပြည့်စုံပြီး လိုက်လျောညီထွေရှိသော ပတ်ဝန်းကျင်ကို ပေးဆောင်ပါသည်။
သီးခြားလိုအပ်ချက်များနှင့် ပြည့်မီရန် မော်ဒယ်ကို ကောင်းစွာချိန်ညှိခြင်းဖြင့် သို့မဟုတ် စက်သင်ယူမှုတွင် တိုးတက်မှုအသစ်များကို ပေါင်းထည့်ခြင်းဖြင့်၊ မော်ဒယ်၏ တိကျမှုကို ပိုမိုတိုးတက်စေနိုင်သည်။
TensorFlow နှင့် facial recognition ကို လုံခြုံရေးစနစ်များ၊ biometric စစ်မှန်ကြောင်းအထောက်အထားပြခြင်းနှင့် ကျန်းမာရေးစောင့်ရှောက်မှုကဲ့သို့သော လုပ်ငန်းများတွင် အနာဂတ်တွင် ပိုမိုအသုံးပြုလာဖွယ်ရှိသည်။ ကျွန်ုပ်တို့သည် မကြာမီတွင် စွဲမက်ဖွယ်ကောင်းသော ဆန်းသစ်တီထွင်မှုများကို မြင်တွေ့ရမည်ဖြစ်သည်။
တစ်ဦးစာပြန်ရန် Leave